Fugu-MT 論文翻訳(概要): Variational auto-encoders with Student's t-prior

論文の概要: Variational auto-encoders with Student's t-prior

arxiv url: http://arxiv.org/abs/2004.02581v1
Date: Mon, 6 Apr 2020 11:54:20 GMT
ステータス: 処理完了
システム内更新日: 2022-12-16 05:43:20.657170
Title: Variational auto-encoders with Student's t-prior
Title（参考訳）: 学生のt-priorを用いた変分オートエンコーダ
Authors: Najmeh Abiri and Mattias Ohlsson
Abstract要約: 本稿では,従来の変分自動エンコーダ(VAE)のための新しい構造を提案する。すべての分散パラメータはトレーニングされ、基礎となるデータ分布をより堅牢に近似することができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: We propose a new structure for the variational auto-encoders (VAEs) prior, with the weakly informative multivariate Student's t-distribution. In the proposed model all distribution parameters are trained, thereby allowing for a more robust approximation of the underlying data distribution. We used Fashion-MNIST data in two experiments to compare the proposed VAEs with the standard Gaussian priors. Both experiments showed a better reconstruction of the images with VAEs using Student's t-prior distribution.
Abstract（参考訳）: 本稿では,可変オートエンコーダ(vaes, variational auto-encoders, 変分オートエンコーダ)の事前構造を提案する。提案モデルでは,すべての分布パラメータをトレーニングすることで,基礎となるデータ分布をより頑健に近似することができる。提案するvaesと標準gaussian priorsを比較するために,fashion-mnistデータを用いて2つの実験を行った。どちらの実験も学生のt-prior分布を用いたvaesによる画像再構成が良好であった。

関連論文リスト

Variational Autoencoders for Efficient Simulation-Based Inference [0.3495246564946556]
本稿では、確率自由なシミュレーションに基づく推論のための変分推論フレームワークに基づく生成的モデリング手法を提案する。我々は,これらのモデルの有効性を,フローベースアプローチに匹敵する結果が得られるように,確立されたベンチマーク問題に対して示す。
論文参考訳（メタデータ） (2024-11-21T12:24:13Z)
Diverse Data Augmentation with Diffusions for Effective Test-time Prompt Tuning [73.75282761503581]
DiffTPTを提案する。DiffTPTは,事前学習した拡散モデルを用いて,多種多様な情報データを生成する。 DiffTPTがゼロショット精度を平均5.13%向上することを示す。
論文参考訳（メタデータ） (2023-08-11T09:36:31Z)
Symmetric Equilibrium Learning of VAEs [56.56929742714685]
可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
論文参考訳（メタデータ） (2023-07-19T10:27:34Z)
Coupled Variational Autoencoder [6.599344783327053]
我々は、VAE問題を最適輸送(OT)の1つとして定式化する結合変分自動エンコーダ(C-VAE)を提案する。 C-VAEは、先行ホール問題の柔軟性と自然分解性を高める。 C-VAEは、VAE、WAE、InfoVAEなどの代替品よりも、データに対する忠実さ、潜伏表現の品質、および生成されたサンプルの品質に優れることを示す。
論文参考訳（メタデータ） (2023-06-05T03:36:31Z)
Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
論文参考訳（メタデータ） (2021-10-24T07:58:13Z)
Re-parameterizing VAEs for stability [1.90365714903665]
本稿では,変分オートエンコーダ(VAE)の数値安定性を訓練するための理論的アプローチを提案する。我々の研究は、VAEが複雑な画像データセット上のアート生成結果に到達できるようにするための最近の研究によって動機づけられている。我々は、それらが依存する正規分布のパラメータ化方法に小さな変更を加えることで、VAEを安全にトレーニングできることを示します。
論文参考訳（メタデータ） (2021-06-25T16:19:09Z)
Multivariate Data Explanation by Jumping Emerging Patterns Visualization [78.6363825307044]
多変量データセットにおけるパターンの識別と視覚的解釈を支援するVAX(multiVariate dAta eXplanation)を提案する。既存の類似のアプローチとは異なり、VAXはJumping Emerging Patternsという概念を使って、複数の多様化したパターンを特定し、集約し、データ変数のロジックの組み合わせを通して説明を生成する。
論文参考訳（メタデータ） (2021-06-21T13:49:44Z)
Adapting deep generative approaches for getting synthetic data with realistic marginal distributions [0.0]
可変オートエンコーダ(VAE)のような深層生成モデルは、元のデータからこのような合成データセットを作成するための一般的なアプローチである。本稿では,バイモーダルおよびスキュードデータに対処する新しい手法,PTVAE(pre-transformation variational autoencoders)を提案する。その結果、PTVAEアプローチはバイモーダルデータとスキューデータの両方において他よりも優れていることがわかった。
論文参考訳（メタデータ） (2021-05-14T15:47:20Z)
Meta-Learning Conjugate Priors for Few-Shot Bayesian Optimization [0.0]
メタラーニングを用いて情報共役の事前分布の推定を自動化する新しい手法を提案する。このプロセスから、元のデータ分布の形状パラメータを推定するために、わずかなデータしか必要としない先行データを生成する。
論文参考訳（メタデータ） (2021-01-03T23:58:32Z)
Few-Shot Named Entity Recognition: A Comprehensive Study [92.40991050806544]
マルチショット設定のモデル一般化能力を向上させるための3つの手法を検討する。ラベル付きデータの比率の異なる10の公開nerデータセットについて経験的比較を行う。マルチショットとトレーニングフリーの両方の設定で最新の結果を作成します。
論文参考訳（メタデータ） (2020-12-29T23:43:16Z)
Squared $\ell_2$ Norm as Consistency Loss for Leveraging Augmented Data to Learn Robust and Invariant Representations [76.85274970052762]
元のサンプルと拡張されたサンプルの埋め込み/表現の距離を規則化することは、ニューラルネットワークの堅牢性を改善するための一般的なテクニックである。本稿では、これらの様々な正規化選択について検討し、埋め込みの正規化方法の理解を深める。私たちが特定したジェネリックアプローチ(squared $ell$ regularized augmentation)は、それぞれ1つのタスクのために特別に設計されたいくつかの手法より優れていることを示す。
論文参考訳（メタデータ） (2020-11-25T22:40:09Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。